一个基于物理的深度学习模型,用于预测强度调节放射治疗治疗计划的光束剂量分布
Zihan Sun1,2, Yongheng Yan1,2, Yuanhua Chen1,2
1Department of Radiation Oncology, The First Affiliated Hospital, Zhejiang University School of Medicine, Hangzhou 310003, China.
Physics and imaging in radiation oncology
|June 12, 2025
概括
一个新的基于物理学的深度学习模型准确地预测了鼻癌患者强度调节放射治疗 (IMRT) 的光束剂量. 这种方法提高了治疗计划的准确性,并解决了深度学习的解释性.
科学领域:
- 医学物理 医学物理
- 人工智能在医学中的应用
- 放射治疗技术 放射治疗技术
背景情况:
- 强度调节辐射疗法 (IMRT) 对于鼻癌治疗至关重要.
- 精确的光束剂量预测对于优化IMRT计划至关重要.
- 深度学习模型提供了提高剂量预测准确性的潜力.
研究的目的:
- 开发一个基于物理的深度学习模型,用于IMRT中精确的光束剂量预测.
- 用各种指标来评估模型的性能.
- 为了解决放射治疗深度学习中的解释性挑战.
主要方法:
- 一项对100例鼻癌IMRT病例的回顾性研究.
- 用于同时预测多个光束剂量的U-Net框架.
- 剂量下降的物理原理被纳入特征图中.
- 使用平均绝对误差 (MAE) 和梯度距离评估模型性能.
主要成果:
- 拟议的模型实现了总剂量MAE为2.92 Gy,光束剂量MAE为0.96 Gy.
- 总剂量和束剂量的梯度欧几里德距离分别为1.35和0.30.
- 结合光束剂量损失,梯度损失和掩盖损失的模型表现出卓越的性能.
结论:
- 一个新的基于物理的深度学习网络已成功开发用于IMRT光束剂量预测.
- 该模型有望提高放射治疗规划的准确性和效率.
- 采用了交叉目标抽样方案,以提高模型的可解释性.
更多相关视频
08:34Proton Therapy Delivery and Its Clinical Application in Select Solid Tumor Malignancies
Published on: February 6, 2019
20.3K
07:57Positron Emission Tomography-based Dose Painting Radiation Therapy in a Glioblastoma Rat Model using the Small Animal Radiation Research Platform
Published on: March 24, 2022
2.7K
